RecherchearXiv cs.RO 4 août 2026

IA physique : TravKAN, une analyse rapide et interprétable de la franchissabilité par réseaux de Kolmogorov-Arnold

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Chercheurs en robotique mobile, une nouvelle architecture baptisée TravKAN vise à résoudre un compromis classique en robotique autonome : celui entre précision et interprétabilité pour l'analyse de traversabilité, c'est-à-dire l'estimation en temps réel de la capacité d'un robot à franchir un type de terrain donné. Publié le 2 août 2026 sur arXiv (référence 2608.02320v1), le papier s'appuie sur les Kolmogorov-Arnold Networks (KAN), une architecture qui remplace les poids fixes des réseaux de neurones classiques par des fonctions univariées apprenables, ce qui permet d'extraire après entraînement une expression analytique symbolique du modèle, baptisée TravKAN-Lite. Les auteurs introduisent aussi un jeu de descripteurs manuels construits à partir du canal de réflectivité des capteurs LiDAR, une information jusqu'ici peu exploitée alors qu'elle renseigne sur la nature et l'état de surface du sol, en complément des données géométriques habituelles. Le système a été testé sur des jeux de données publics couvrant des environnements urbains et tout-terrain réels, face à des références solides comme les réseaux profonds et XGBoost.

Sur le plan des résultats, TravKAN dépasse les modèles profonds conventionnels et s'approche des performances de XGBoost, tout en conservant une architecture compacte et un temps de calcul compatible avec un usage embarqué temps réel. L'enjeu dépasse la seule performance brute : dans les systèmes robotiques amenés à prendre des décisions de sécurité, comme éviter un obstacle ou refuser de s'engager sur un terrain instable, la capacité à inspecter et comprendre pourquoi un modèle a estimé qu'un terrain est franchissable ou non devient un critère d'adoption à part entière, notamment pour la certification et le déploiement en conditions réelles chez les intégrateurs. Les études d'ablation menées par les auteurs confirment la robustesse du modèle face à des variations architecturales et quantifient l'apport spécifique des descripteurs de réflectivité.

Le travail s'inscrit dans la lignée des recherches récentes sur les KAN, une alternative aux perceptrons multicouches proposée fin 2024 pour offrir une meilleure interprétabilité tout en gardant une capacité d'approximation comparable. Jusqu'ici, l'analyse de traversabilité reposait presque exclusivement sur des réseaux profonds ou des arbres de décision boostés par gradient, performants mais opaques. TravKAN se positionne comme une alternative analytique déployable, sans annonce de partenariat industriel ni de calendrier de déploiement à ce stade : il s'agit d'un résultat de recherche académique, à confirmer par une adoption ultérieure sur des plateformes robotiques réelles.

Dans nos dossiers

IA physique & VLA arXiv cs.RO

À lire aussi

1arXiv cs.RO

Analyse physique de fragilité et risque de chute par robots sociaux : évaluation in situ chez les seniors

Une équipe de recherche présente un système robotique capable de faire passer aux personnes âgées des tests cliniques standardisés d'évaluation de la fragilité et du risque de chute, en captant simultanément des données biomécaniques fines que les protocoles cliniques classiques n'enregistrent pas. Le robot s'appuie sur une architecture de type Behaviour Tree qui coordonne perception, prise de décision, interaction et mesure, et utilise un suivi du squelette par vision pour administrer deux tests de référence: le Short Physical Performance Battery (SPPB) et le Timed Up and Go (TUG). Le dispositif a été co-conçu avec des professionnels de santé, puis évalué en conditions réelles pendant six mois dans le laboratoire de recherche d'un centre de rééducation, auprès de 81 personnes âgées (N=81). Les mesures du robot ont été comparées aux évaluations de thérapeutes ainsi qu'à des instruments de référence, un tapis d'analyse de la marche et une centrale inertielle (IMU). Les résultats montrent un accord excellent pour la plupart des temps de complétion des tests et des paramètres de marche (ICC supérieur à 0,9), un accord substantiel pour le score global SPPB entre robot et thérapeute (kappa = 0,67), et un accord modéré entre robot et IMU (kappa = 0,55). Pour le secteur de la robotique sociale et de la santé, ces résultats sont significatifs car les évaluations de fragilité restent aujourd'hui coûteuses en personnel et reposent souvent sur des indicateurs grossiers comme le simple temps de réalisation d'une tâche. Un robot capable de produire des mesures fiables et objectives, en plus des scores cliniques habituels, ouvre la voie à un dépistage plus systématique et moins dépendant de la disponibilité des thérapeutes, tout en captant des indicateurs de mobilité que les protocoles conventionnels ignorent. Le travail s'inscrit dans le courant plus large des robots sociaux d'assistance en gériatrie, où la validation clinique en conditions réelles, et non en laboratoire contrôlé, reste rare. L'étude, menée sur six mois avec un échantillon conséquent de 81 patients et validée contre des instruments de référence établis (tapis de marche, IMU), constitue une étape vers l'intégration de ces systèmes en pratique clinique courante, même si les auteurs eux-mêmes notent un accord seulement modéré sur certaines comparaisons instrumentales, signe que des ajustements restent nécessaires avant un déploiement à grande échelle.

RecherchePaper

1 source

2arXiv cs.RO

Prédire la conformité de préhension des mains robotiques via des réseaux de neurones informés par modèle analytique

La recherche, publiée sur arXiv sous la référence 2607.17541v1, s'attaque à un problème précis de la manipulation robotique : la plupart des études traitent la prise d'un objet comme un problème binaire, réussite ou échec, jugé simplement par le fait que l'objet reste dans la main. Cette approche devient insuffisante dès qu'il s'agit d'usage forcé d'un outil, où la compliance de la prise, c'est-à-dire sa capacité à se déformer sous charge, devient déterminante pour prédire le comportement conjoint de la main et de l'outil. Les auteurs introduisent l'AMINN (Analytical Model Informed Neural Network), un modèle hybride qui combine une couche de mécanique analytique avec un réseau de neurones entraîné sur données, afin d'estimer la stabilité de la prise et le déplacement de l'outil dans la main sous charge externe. Le modèle a été évalué sur une main robotique sous-actionnée à trois doigts et montre une bonne capacité prédictive, avec des sorties mécaniquement cohérentes sur des conditions de charge variées. L'enjeu dépasse la simple précision prédictive. Les mains sous-actionnées, appréciées pour leur faible coût et leur capacité d'adaptation passive à la forme des objets, sont notoirement difficiles à modéliser car leur comportement de compliance dépend d'une combinaison non linéaire de cinématique couplée, de mécanique passive et de conditions de contact. Pour les intégrateurs et concepteurs de systèmes robotiques destinés à un usage forcé d'outils, un tel modèle physiquement interprétable ouvre la voie à des systèmes plus fiables et plus sûrs, notamment dans les contextes critiques où une défaillance de prise sous charge peut avoir des conséquences directes. Comparé à un modèle boîte noire de type perceptron multicouche pris comme référence, l'AMINN affiche une meilleure cohérence physique fondée sur l'énergie, ce qui distingue clairement son approche des méthodes purement data-driven aujourd'hui dominantes dans l'apprentissage pour la manipulation. Ce travail s'inscrit dans une tendance de fond en robotique : réintroduire des contraintes physiques explicites dans des architectures d'apprentissage profond pour gagner en interprétabilité et en robustesse, plutôt que de s'en remettre uniquement à des réseaux entraînés de bout en bout. Les auteurs présentent leur cadre comme une base pour des travaux futurs sur l'usage autonome et fiable d'outils par des mains robotiques compliantes.

RecherchePaper

1 source

3arXiv cs.RO

Améliorer la généralisabilité de l'apprentissage par renforcement en robotique via l'analyse SHAP des algorithmes et hyperparamètres

Une équipe de chercheurs a publié le 5 mai 2026 sur arXiv (preprint 2605.02867) un cadre explicable pour identifier quels paramètres algorithmiques d'apprentissage par renforcement (RL) pèsent le plus sur la capacité d'un modèle à généraliser d'un environnement simulé à un autre, puis à des conditions réelles. La méthode repose sur les valeurs SHAP (SHapley Additive exPlanations), un outil issu du machine learning interprétable, appliqué ici à l'évaluation systématique de combinaisons d'algorithmes RL (PPO, SAC et équivalents) et d'hyperparamètres (learning rate, discount factor, taille de batch, etc.) sur plusieurs environnements robotiques. Le papier établit une fondation théorique reliant les valeurs de Shapley à la mesure de généralisabilité, puis démontre empiriquement que certaines configurations présentent des impacts stables et prévisibles quelle que soit la tâche testée. La contribution centrale est pratique : le "generalization gap" en RL robotique, l'écart entre performance en simulation et performance réelle, constitue l'un des principaux freins au déploiement industriel. Jusqu'ici, le choix des hyperparamètres relevait en grande partie de l'expérimentation empirique coûteuse ou de règles empiriques non justifiées. En quantifiant la contribution individuelle de chaque paramètre à cet écart, les auteurs proposent un protocole de sélection guidé par SHAP qui réduit cette variance inter-environnements sans ajout de données supplémentaires. Pour un intégrateur qui doit certifier le comportement d'un bras manipulateur ou d'un robot mobile dans des conditions variables, disposer d'une hiérarchie explicite des paramètres critiques réduit significativement le temps de fine-tuning et le risque de régression lors du passage sim-to-real. Le contexte est celui d'une pression croissante sur la robustesse du RL en robotique : des laboratoires comme DeepMind, Berkeley (avec les travaux sur RLPD et Cal-QL) et des acteurs industriels comme Boston Dynamics ou Figure AI investissent massivement dans des politiques RL transférables sans retraining. L'approche SHAP s'inscrit dans un courant plus large d'XAI (explainable AI) appliqué aux politiques motrices, encore peu exploité par rapport à la vision ou au NLP. Le papier est un preprint non évalué par les pairs, sans code ni benchmark public annoncé à ce stade, ce qui limite son adoption immédiate. Les prochaines étapes naturelles seraient une validation sur hardware physique et la mise à disposition d'un outil open-source de sélection de configuration.

RecherchePaper

1 source

4arXiv cs.RO

Commande prédictive adaptative d'un robot continu souple par réseau neuronal informé par la physique (tiges de Cosserat)

Des chercheurs ont publié sur arXiv (2508.12681) un framework de contrôle prédictif par modèle (MPC) non linéaire pour robots continus souples, capables de se déformer en flexion continue plutôt que par articulations rigides. Le coeur du système est un réseau de neurones physiquement informé à découplage de domaine (DD-PINN), entraîné comme substitut du modèle dynamique de tige de Cosserat, la référence mathématique pour la mécanique des structures élancées déformables. Ce substitut atteint un facteur d'accélération de 44 000 par rapport au modèle complet, ce qui permet de faire tourner le MPC en temps réel à 70 Hz sur GPU. En parallèle, un filtre de Kalman non parfumé (UKF) exploite le DD-PINN pour estimer en ligne les états internes du robot et la compliance en flexion, à partir des seules mesures de position de l'effecteur terminal. En simulation, les erreurs de position restent inférieures à 3 mm, soit 2,3 % de la longueur de l'actionneur. Sur le robot physique, le contrôleur atteint des accélérations jusqu'à 3,55 m/s², avec une précision comparable. Ce résultat est notable parce qu'il démontre un contrôle dynamique (et non quasi-statique) d'un robot souple en conditions réelles, à une fréquence compatible avec les exigences industrielles. La majorité des approches antérieures, dont les méthodes basées sur l'opérateur de Koopman, sacrifient soit la précision de forme globale, soit l'adaptabilité aux variations de rigidité. Ici, le DD-PINN reconstruit la forme complète du robot et adapte en ligne la compliance, ce qui ouvre la voie à des manipulateurs souples capables de compenser vieillissement matériau ou déformations sous charge variable. Pour un intégrateur ou un décideur industriel, c'est la convergence entre modèle physique et inférence rapide qui est structurante : on cesse de choisir entre fidélité du modèle et temps réel. Les robots continus souples sont étudiés depuis une quinzaine d'années, principalement pour des applications médicales (endoscopes actifs, outils chirurgicaux), l'inspection en espace confiné, et la manipulation de pièces fragiles. Le modèle de Cosserat est le standard théorique du domaine, mais son coût computationnel avait jusqu'ici limité son usage au contrôle quasi-statique ou offline. Les PINN, réseaux intégrant des équations différentielles comme contraintes de loss, constituent depuis 2019 une piste active pour contourner ce verrou. Ce preprint ne mentionne pas de partenaires industriels ni de calendrier de déploiement ; il s'agit à ce stade d'un résultat de recherche académique, sans produit ni pilote terrain annoncé. Les prochaines étapes naturelles concernent la robustesse aux perturbations externes, l'extension à des structures à plusieurs segments, et une validation sur des cas d'usage médicaux ou d'assemblage délicat.

RecherchePaper

1 source